Shift Aware Transfer Learning with Adaptive Dual-Encoder Fusion for PM Forecasting in Data-Limited Environments

تخيل أنك تحاول التنبؤ بالطقس في مدينة جديدة لم تعش فيها من قبل، مستعيناً فقط بمذكرات طقس من جزء مختلف تماماً من العالم. هذا هو التحدي اليومي الذي يواجه العلماء في محاولة التنبؤ بتلوث الهواء، وتحديداً جسيم دقيق وغير مرئي يسمى PM₂.₅. هذه الجسيمات صغيرة جداً لدرجة أنها يمكن أن تتسلل إلى أعماق رئتيك، مما يسبب مشاب صحية خطيرة مثل أمراض القلب والرئة. ولأنها خطيرة للغاية، فنحن بحاجة لمعرفة متى ستصل إلى ذروتها حتى نتمكن من تحذير الناس وإيقاف مصادر التلوث.

عادةً، تتعلم الحواسيب التنبؤ بهذا الأمر من خلال دراسة كميات هائلة من البيانات المحلية. ولكن ماذا لو كنت في مكان تتوفر فيه أجهزة مراقبة جودة الهواء بنسبة ضئيلة، أو كانت البيانات غير دقيقة؟ هنا يأتي دور "تعلم النقل" (Transfer Learning). فكر في الأمر كطالب أتقن الرياضيات بالفعل في مدرسة واحدة (المصدر) ويحاول الآن تعلم منهج رياضيات جديد ومختلف قليلاً في مدرسة جديدة (الهدف). يجلب الطالب معرفته القديمة معه، ولكن إذا كانت المدرسة الجديدة تدرس الأشياء بطريقة مختلفة، فقد تؤدي المعرفة القديمة إلى إرباكه. يستكشف هذا البحث طريقة ذكية لمساعدة الطالب على استخدام مهاراته الرياضية القديمة دون أن يقع في فخ القواعد الجديدة، وتحديداً للتنبؤ بتلوث الهواء في تايوان باستخدام بيانات من الولايات المتحدة.

المشكلة: عندما لا تناسب الخرائط القديمة الأقاليم الجديدة

لا يتصرف تلوث الهواء بنفس الطريقة في كل مكان. ففي فلوريدا، قد تهب الرياح لتنقل التلوث في اتجاه معين، بينما في تايوان، قد تدفعه الجبال والنسيم الساحلي في اتجاه آخر. إذا تم "توصيل" نموذج حاسوبي تدرب على بيانات الولايات المتحدة ببساطة للتنبؤ بهواء تايوان، فإنه غالباً ما يفشل. الأمر يشبه محاولة التنقل في شوارع تايبيه باستخدام خريطة لمدينة ميامي؛ الفكرة العامة عن "الشوارع" موجودة، لكن المنعطفات وأنماط حركة المرور المحددة خاطئة. يمكن أن يؤدي هذا التباين إلى "النقل السلبي" (negative transfer)، حيث يصبح النموذج أسوأ لأنه يحاول فرض أنماط قديمة على بيانات جديدة.

الحل: نهج "الدماغ المزدوج"

قام الباحثان، شهاب باند وحامد محمدي، ببناء نظام جديد يسمى "إطار العمل ثنائي المشفر الواعي بالتحول" (Shift-Aware Dual-Encoder Framework). لفهم كيفية عمله، تخيل محققاً يحل جريمة في مدينة جديدة.

1. المحقق المخضرم (المشفر المصدر): حل هذا المحقق آلاف القضايا في الولايات المتحدة. هو يعرف كيف يتصرف التلوث عادةً — كيف يتركز، وكيف تحركه الرياح، وكيف تغسله الأمطار. إنه خبير، لكنه لم يرَ تايوان قط.
2. الدليل المحلي (المشفر الهدف): هذا محقق جديد عمل فقط في تايوان. هو يعرف الشوارع المحلية، والمصانع المحددة، والتقلبات الجوية الفريدة للجزيرة، لكنه لم يشهد حالات كثيرة بشكل عام.

في الطرق القديمة، حاول العلماء دمج "المخضرم" و"المحلي" في عقل واحد، آملين أن يتفقا على كل شيء. لكن الباحثين وجدوا أن هذا غالباً ما يجعل "المحلي" ينسى معرفته المحددة أو يجبر "المخضرم" على تجاهل خبرته.

بدلاً من ذلك، يحافظ هذا الإطار الجديد عليهما كعقلين منفصلين يتحدثان مع بعضهما البعض. ينظر المخضرم إلى البيانات ويقول: "بناءً على خبرتي، يتصرف التلوث عادةً بهذا الشكل". وينظر المحلي إلى نفس البيانات ويقول: "لكن هنا، الرياح تأتي من الشرق، لذا فهو يتصرف بهذا الشكل". ثم يستمع طبقة "دمج" خاصة إلى كليهما، ليدمج الخبرة الواسعة للمخضرم مع المعرفة المحددة للمحلي للوصول إلى التنبؤ النهائي.

ما وجدوه: قوة التكيف

اختبر الفريق هذه الفكرة باستخدام بيانات حقيقية. قاموا بتدريب "المخضرم" على بيانات جودة الهواء بالساعة من 10 مواقع في الولايات المتحدة (معظمها في فلوريدا) ثم حاولوا التنبؤ بالتلوث لـ 77 محطة في تايوان. وقارنوا نظام "الدماغ المزدوج" الجديد بثلاث طرق أخرى:

• المحلي فقط: نموذج تم تدريبه فقط على بيانات تايوان (والتي كانت محدودة).
• النقل المباشر: مجرد أخذ نموذج الولايات المتحدة وتشغيله على بيانات تايوان.
• النقل المرحلي: نسخة أفضل قليلاً من النقل المباشر.

كانت النتائج واعدة. حقق نظام الدماغ المزدوج الجديد (تحديداً النسخة التي ظل فيها عقل "المخضرم" "مجمداً" أو دون تغيير خلال الاختبار الأولي) أعلى دقة بين المقارنات الرئيسية. حيث حقق متوسط خطأ تربيعي (MSE) قدره 21.8960، ومعامل تحديد (R²) قدره 0.8725. كان هذا تحسناً ملحوظاً، حيث قلل الأخطاء بنسبة تقارب 7.1% مقارنة بطريقة النقل القياسية.

ومع ذلك، جاء الاكتشاف الأكثر إثارة للاهتمام من نظرة أعمق لكيفية تصرف "المخضرم". أجرى الباحثون اختباراً سمحوا فيه لعقل "المخترم" بالاستمرار في التعلم والتكيف أثناء العمل مع "المحلي". ومن المثير للدهشة أن هذه النسخة "التكيفية" (Adaptive) كان أداؤها أفضل حتى من النسخة "المجمدة". فقد حققت متوسط خطأ تربيعي (MSE) قدره 21.6575 ومعامل تحديد (R²) قدره 0.8739.

يشير هذا إلى أن أفضل استراتيجية ليست تجميد معرفة الخبير في مكانها، بل السماć له بتحديث فهمه أثناء تعلم القواعد المحلية الجديدة. كان "الدليل المحلي" (الفرع الخاص بتايوان) ضرورياً للغاية؛ فعندما أزال الباحثون هذا الجزء، انخفض أداء النموذج بشكل كبير، مما يثبت أنه لا يمكنك الاعتماد فقط على الخرائط القديمة.

لماذا يهم هذا الأمر؟

تشير الدراسة إلى أنه عندما نحاول التنبؤ بتلوث الهواء في أماكن ذات بيانات محدودة، لا ينبغي لنا مجرد نسخ ولصق النماذج من دول أخرى. بدلاً من ذلك، يجب أن نبني أنظمة تحترم كلاً من الأنماط العامة المستخلصة من المناطق الغنية بالبيانات والخصائص المحلية الفريدة للبيئة الجديدة.

من خلال استخدام نهج "المشفر المزدوج"، نجح النموذج في الجمع بين أفضل ما في العالمين: الخبرة الواسعة لبيانات الولايات المتحدة والواقع المحلي المحدد على الأرض. وأظهر التحليل أن تنبؤات النموذج كانت مدفوعة في الغالب بمستويات التلوث الأخيرة وعوامل الطقس مثل الرياح والرطوبة، وهو أمر منطقي من الناحية الفيزيائية.

وبينما يشير الباحثون إلى أن هذه كانت تجربة محددة بإعداد واحد (باستخدام بذرة عشوائية ثابتة) وأن هناك حاضاً لعمل المزيد لمعرفة مدى صمودها عبر المواسم والمواقع المختلفة، فإن النتائج تقدم مساراً جديداً يبعث على الأمل. فهي تشير إلى أنه مع الهيكلية الصحيحة، يمكننا مساعدة المناطق ذات البيانات المحدودة في الحصول على توقعات أفضل لجودة الهواء، مما قد ينقذ الأرواً عبر تقديم تحذيرات مبكرة وأكثر دقة بشأن ارتفاعات التلوث الخطيرة.